为 2D NumPy 数组的每一行高效应用不同的排列

Question

给定一个矩阵 A，我想对 A 的不同行应用不同的随机洗牌；例如，

array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])

变成

array([[1, 3, 2],
       [6, 5, 4],
       [7, 9, 8]])

当然我们可以循环矩阵，让每一行随机打乱；然而迭代很慢，我问是否有更有效的方法来做到这一点。

Answer 1

从 Divakar 那里学到了这个巧妙的技巧，其中涉及randn和argsort：

\n\n

np.random.seed(0)\n\ns = np.arange(16).reshape(4, 4)\nnp.take_along_axis(s, np.random.randn(*s.shape).argsort(axis=1), axis=1)\n\narray([[ 1,  0,  3,  2],\n       [ 4,  6,  5,  7],\n       [11, 10,  8,  9],\n       [14, 12, 13, 15]])\n

\n\n

对于二维数组，可以简化为

\n\n

s[np.arange(len(s))[:,None], np.random.randn(*s.shape).argsort(axis=1)]\n\narray([[ 1,  0,  3,  2],\n       [ 4,  6,  5,  7],\n       [11, 10,  8,  9],\n       [14, 12, 13, 15]])\n

\n\n\n\n

您还可以np.random.permutation独立地应用于每一行以返回一个新数组。

\n\n

np.apply_along_axis(np.random.permutation, axis=1, arr=s)\n\narray([[ 3,  1,  0,  2],\n       [ 4,  6,  5,  7],\n       [ 8,  9, 10, 11],\n       [15, 14, 13, 12]])\n

\n\n\n\n

表现 -

\n\n

s = np.arange(10000 * 100).reshape(10000, 100) \n\n%timeit s[np.arange(len(s))[:,None], np.random.randn(*s.shape).argsort(axis=1)] \n%timeit np.apply_along_axis(np.random.permutation, 1, s)   \n\n84.6 ms \xc2\xb1 857 \xc2\xb5s per loop (mean \xc2\xb1 std. dev. of 7 runs, 10 loops each)\n842 ms \xc2\xb1 8.06 ms per loop (mean \xc2\xb1 std. dev. of 7 runs, 1 loop each)\n

\n\n

我注意到这取决于数据的维度，请务必先对其进行测试。

\n